/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vision-encoder-decoder · dense
Базовая модель
donut-base
Библиотека
transformers
Опубликована
4 авг 2026

donut-im2latex

Описание изображенийИзображение → текст4 профессии

Модель преобразует изображение набранной математической формулы в редактируемый LaTeX-код.

14скачиваний за 30 дней0лайковвеса обновлены4 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

thealper2/donut-im2latex — модель распознавания математических формул, разработанная на основе Donut и дообученная на наборе yuntian-deng/im2latex-100k. Она принимает изображение набранной формулы и напрямую генерирует её LaTeX-код без отдельного этапа OCR. Архитектура Vision-Encoder-Decoder сочетает визуальный энкодер Swin Transformer и авторегрессионный декодер в стиле BART.

Модель предназначена для преобразования изображений формул, например скриншотов или фрагментов научных документов, в редактируемый LaTeX. На валидационной выборке указаны точное совпадение 0,505 и CER 0,0558. Модель не рассчитана на рукописную математику, распознавание целых страниц или текста в естественных сценах. Длинные и вложенные выражения могут обрезаться или разбираться неверно, редкие символы и изображения низкого качества снижают точность; сгенерированный LaTeX может требовать проверки и не всегда компилируется. Лицензия — Apache-2.0.

Сценарии применения

  • Преобразование снимка формулы в LaTeX
  • Оцифровка формул из научных статей
  • Подготовка формул для редактирования и повторного использования
  • Создание обучающих наборов из изображений формул
  • Извлечение формул для инструментов доступности

Ограничения

Модель обучена на изображениях набранных формул и может ошибаться на рукописной математике, длинных или вложенных выражениях, редких символах и низкокачественных изображениях. Сгенерированный LaTeX следует проверять: он может быть некорректным или не компилироваться.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

donut-latex-full

Overview

This model is an OCR-free image-to-LaTeX model. It takes a rendered image of a mathematical formula as input and directly produces the corresponding LaTeX markup, without a separate text-detection or OCR stage. It was fine-tuned from naver-clova-ix/donut-base on the yuntian-deng/im2latex-100k dataset.

Architecture

Donut is a Vision-Encoder-Decoder model: a Swin Transformer vision encoder reads the input image and a BART-style autoregressive text decoder generates the target sequence. A dedicated task-start token prompts the decoder to emit LaTeX.

Dataset

  • Name: yuntian-deng/im2latex-100k
  • Task: rendered formula image -> LaTeX string
  • Splits: train / validation / test

Training procedure

The model was trained with mixed precision, gradient accumulation, gradient clipping and gradient checkpointing. The best checkpoint was selected on the validation CER with early stopping.

Hyperparameters

  • Fine-tuning mode: Full
  • Image size (H x W): 320 x 896
  • Max target length: 512
  • Epochs: 3
  • Train batch size: 4
  • Gradient accumulation: 4
  • Learning rate: 3e-05
  • Optimizer: adamw
  • LR scheduler: cosine
  • Mixed precision: bf16
  • Seed: 42

Hardware

  • Accelerator: NVIDIA GeForce RTX 5060 Ti (7.96 GB)
  • Platform: Linux-6.18.33.2-microsoft-standard-WSL2-x86_64-with-glibc2.39

Software versions

  • torch: 2.10.0+cu128
  • transformers: 5.14.1
  • datasets: 4.3.0
  • accelerate: 1.12.0
  • peft: 0.18.1

Evaluation

Metrics computed on the validation split:

MetricValue
Exact match0.5050
CER0.0558
Levenshtein6.7850
BLEU0.9147
Avg. gen. length43.5100
Validation loss0.0561

Results

  • Best epoch: 3
  • Best cer: 0.0558

Intended use

Converting images of typeset mathematical formulas (for example, screenshots of rendered LaTeX) into editable LaTeX source. Suitable for document digitization, accessibility tooling and dataset construction.

Out-of-scope use

  • Handwritten mathematics (the training data is rendered/typeset).
  • Full-page document layout or natural-scene text recognition.
  • Any safety-critical use without human verification of the output.

Limitations and failure cases

  • Very long or deeply nested expressions may be truncated or mis-nested.
  • Rare symbols underrepresented in the training data may be mispredicted.
  • Low-resolution, noisy or heavily styled renderings degrade accuracy.
  • Predictions are not guaranteed to compile; downstream validation is recommended.

Bias and ethical considerations

The dataset consists of machine-rendered formulas from scientific papers and is limited to the notation and symbol distribution of that corpus. The model may underperform on notation conventions outside this distribution. Outputs should be reviewed before use in academic or production settings.

Future work

  • Extend to handwritten formula recognition.
  • Add constrained decoding to improve LaTeX compilability.
  • Explore larger input resolutions and beam search tuning.

Example usage

import torch
from PIL import Image
from transformers import DonutProcessor, VisionEncoderDecoderModel

model_id = "thealper2/donut-im2latex"
processor = DonutProcessor.from_pretrained(model_id)
model = VisionEncoderDecoderModel.from_pretrained(model_id)
model.eval()

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

image = Image.open("formula.png").convert("RGB")
pixel_values = processor.image_processor(image, return_tensors="pt").pixel_values.to(device)

decoder_input_ids = torch.tensor(
    [[model.config.decoder_start_token_id]], device=device
)
generated = model.generate(
    pixel_values=pixel_values,
    decoder_input_ids=decoder_input_ids,
    max_length=model.generation_config.max_length,
    num_beams=4,
)
latex = processor.tokenizer.batch_decode(generated, skip_special_tokens=True)[0]
print(latex)

Citation

@misc{donut_latex,
  title  = {Donut-LaTeX: OCR-free image-to-LaTeX with Donut},
  author = {donut-latex authors},
  year   = {2024},
  note   = {Fine-tuned from naver-clova-ix/donut-base on yuntian-deng/im2latex-100k}
}

@inproceedings{kim2022donut,
  title     = {OCR-free Document Understanding Transformer},
  author    = {Kim, Geewook and Hong, Teakgyu and Yim, Moonbin and others},
  booktitle = {European Conference on Computer Vision (ECCV)},
  year      = {2022}
}

License

Released under the Apache-2.0 license (placeholder -- confirm the license of any derived data and base model before publishing).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
f65e502

0 моделей